CN116257818A - 多智能体近距离作战动目标协同定位方法 - Google Patents

多智能体近距离作战动目标协同定位方法 Download PDF

Info

Publication number
CN116257818A
CN116257818A CN202310218851.2A CN202310218851A CN116257818A CN 116257818 A CN116257818 A CN 116257818A CN 202310218851 A CN202310218851 A CN 202310218851A CN 116257818 A CN116257818 A CN 116257818A
Authority
CN
China
Prior art keywords
agent
target
intelligent
positioning
cluster
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310218851.2A
Other languages
English (en)
Inventor
万九卿
赖玮清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202310218851.2A priority Critical patent/CN116257818A/zh
Publication of CN116257818A publication Critical patent/CN116257818A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
    • G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Automation & Control Theory (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种基于误差状态卡尔曼滤波的多智能体近距离作战动目标协同定位方法，包括智能体集群自定位模块、智能体集群目标定位模块、集群协同定位信息融合模块三部分。本发明的主要创新点在于：1.采用因子图模型架构，在卫星拒止和部分节点失效的情况下也可以独立实现智能体集群精确的自定位；2.实现即插即用，只要有至少一个智能体保持对目标的有效观测，就可以根据解算方程得到准确的解算坐标，当环境干扰减弱，恢复观测的智能体可以重新加入智能体网络进行协同定位信息融合；3.导弹只需要内部通信链路的信息就可以实现对目标的精准打击，从而提高了导弹自身的隐蔽性。共设计了三组测试实验用于评估所提方法性能，经过对比发现，本发明提出的基于误差状态卡尔曼滤波的多智能体协同定位方法在不同程度的干扰环境下可实现高精度的目标跟踪结果，实时性好，表现更为稳定。

Description

多智能体近距离作战动目标协同定位方法
技术领域
本发明属于卫星导航技术领域，具体涉及一种多智能体近距离作战动目标协同定位方法。
背景技术
多智能体***是由一群具备感知、通信、计算和执行能力的智能体经过互相关联而形成的一个网络***。与单智能体执行任务相比，多智能体协同执行任务可以通过多传感器进行多方位信息感知，从而得到对目标信息更全面的认知；将目标定位的任务分解成多个子任务并合理分配给多个智能体执行，简化了任务的复杂度，提高了目标定位的准确性；通过智能体间的通讯及时替换失效智能体，以保证目标的正常定位，提高了***鲁棒性。本发明提出了一种高精度定位方法，将单兵、无人机、导弹看作智能体，组成多智能体***对目标进行协同识别、定位与打击。每个智能体节点具备一定的自定位能力(通过惯导以及卫星定位)，对目标的探测识别能力、对目标的定位能力(方位角和斜距等)、以及与其他智能体的通信能力。当前方单兵或无人机发现目标，经过识别确认后，确定目标绝对位置并发送至后方导弹，实时更新引导导弹对目标进行打击。
由于GPS不可避免地具有卫星导航***固有的脆弱性，其提供的服务与应用受到限制。例如，卫星导航信号功率低，易被敌方压制或欺骗，在高对抗作战环境下难以保障；卫星信号难以穿透地面和建筑物等密度较大的物质，在都市、室内、地下环境中信号衰减现象非常严重。
因此，本发明提出了一种基于因子图架构的多智能体集群模型。在因子图结构模型中，惯导因子用于约束智能体相邻时刻间的运动状态，自身观测因子提供智能体自身绝对定位概率分布，目标观测因子提供目标ID和绝对位置概率分布。因子图的作用体现在三个方面：(1)通过因子图上的消息传递算法实现多源信息融合，提升对目标的识别定位精度；(2)通过多智能体对同一目标的观测以及因子图的信息传递，可将某一智能体的绝对位置信息观测传遍全网，提升在部分智能体卫星定位信号丢失情况下的定位鲁棒性；(3)通过增减因子图节点以及相应的因子描述智能体加入及退出网络的过程，实现即插即用，提升推理架构的灵活性。其推理计算结构基本稳定，在强环境干扰下也能保证导弹的定位精度。
本发明实现了智能体网络通过因子图架构实现信息在结点间的传播、共享、互补，发挥每种智能体自身优势(如单兵长于目标识别确认、无人机长于目标定位和大范围搜索等)。组成多智能体***的单兵、无人机、导弹通过自身惯导以及卫星定位，对自身的位置、速度、姿态等状态时刻进行解算以实现对精确的自定位。可实现即插即用，容许新的智能体节点随时加入网络，失效智能体暂时或永久退出网络，基于因子图的推理计算结构保持稳定不变，解决了卫星导航***的制约，在各种情况下都可以提供精确可靠的导航信息，极大提升了***效能和战场生存能力。
发明内容
鉴于上述的分析，本发明旨在公开了一种多智能体近距离作战动目标协同定位方法，用于多智能体集群在部分节点失效的情况下解决自定位和目标定位的问题。
基于误差状态卡尔曼滤波的多智能体近距离作战动目标协同定位方法，包括：智能体集群的自定位模块、智能体集群对目标定位模块、协同定位信息融合模块三部分。
所述智能体集群的自定位模块，通过误差状态卡尔曼滤波算法，集群内各智能体节点以上一时刻标称状态为基准，以航位推算获得标称状态估计值；通过相邻节点之间的数据链进行实时通信获得各智能体节点之间的相对距离信息；将智能体节点航位推算估计值与相对距离测距信息相融合，修正智能体节点在当前时刻的状态估计，并将误差状态复位，可实现对智能体精确的自定位效果。
所述智能体集群对目标定位模块中的多智能体网络通过激光测距机获取智能体与目标之间的距离参数，由GPS获得智能体的坐标参数(经度、纬度和高度)，雷达提供目标相对于智能体的方位角和高低角参数，根据提供的这些参数可以实时解算目标相对于地心坐标系的大地坐标参数(经度、纬度)。
所述协同定位信息融合模块在获得非合作目标与***中智能体自身的相对位置测量值之后，就可以根据智能体自身的位姿进行目标位置解算，获取目标在世界坐标系下的位置；在解算过程中，即使多智能体***中的无人机或者单兵受到干扰而失效，只要有至少一个智能体保持对目标的有效观测，就可以根据解算方程得到准确的解算坐标，当环境干扰减弱，恢复观测的智能体可以重新加入智能体网络进行协同定位信息融合，得到更为精确的目标坐标；解算得到非合作目标的绝对坐标后，智能体网络将非合作目标的坐标由通信链路传输给导弹，使导弹能够时刻根据目标的坐标观测数据而调整自身的状态，实现精确制导。
本发明的优点在于：
1.本发明通过惯导和激光测距传感器进行多智能体集群内部的自定位，在卫星拒止和部分节点失效的情况下智能体也可以独立实现精确的自定位，扩大了本发明的应用场景。
2.本发明提出了一种高鲁棒性的目标定位解决方案，在解算过程中，即使多智能体***中的无人机或者单兵受到干扰而失效，只要有至少一个智能体保持对目标的有效观测，就可以根据解算方程得到准确的解算坐标，当环境干扰减弱，恢复观测的智能体可以重新加入智能体网络进行协同定位信息融合，获取精确的目标坐标。
3.本发明通过智能体解算目标相对于导弹的方位和距离，并经过多智能体***间的通信链路传输给导弹，同时也可以通过智能体把自身相对目标和导弹的方位和距离发送给导弹，由导弹计算目标相对于导弹的方向和距离。导弹只需要内部通信链路的信息就可以实现对目标的精准打击，从而提高了导弹自身的隐蔽性。
附图说明
图1为本发明给出的多智能体协同定位示意图；
图2为本发明给出的因子图模型；
图3为本发明提供的多智能体测量几何关系图；
图4为本发明提供的仿真真实轨迹与ESKF滤波轨迹对比图；
图5为本发明提供的智能体自定位及目标定位误差图；
图6为本发明提供的其他智能体都受到环境干扰而在100s～150s与300s～350s内失去GPS信号，仅单兵1正常工作目标定位误差图；
图7为本发明提供的其他智能体都受到环境干扰而在100s～150s与300s～350s内失去GPS信号，仅无人机1正常工作目标定位误差图；
图8为本发明提供的其他智能体都受到环境干扰而在100s～150s与300s～350s内失去GPS信号，仅单兵2、无人机2正常工作目标定位误差图；
图9为本发明提供的其他智能体都受到环境干扰而在100s～150s与300s～350s内失去GPS信号，仅单兵1正常观测目标定位误差图；
图10为本发明提供的其他智能体都受到环境干扰而在100s～150s与300s～350s内失去GPS信号，仅无人机1正常观测目标定位误差图；
图11为本发明提供的其他智能体都受到环境干扰而在100s～150s与300s～350s内失去GPS信号，仅单兵2与无人机2正常观测的目标定位误差图；
图12为本发明给出的基于误差状态卡尔曼滤波的多智能体近距离作战动目标协同定位方法的模块框架；
具体实施方式
下面结合附图对本发明提供的基于误差状态卡尔曼滤波的多智能体近距离作战动目标协同定位方法进行详细说明。
本发明给出的基于误差状态卡尔曼滤波的多智能体近距离作战动目标协同定位方法的场景如图1所示。按照具体实施步骤，可以将整个流程划分为三部分，分别是智能体集群的自定位模块、智能体集群对目标定位模块、协同定位信息融合模块三部分。
第1步，智能体集群的自定位模块的因子图架构如图2所示，在k时刻，智能体的状态变量定义为：
Xk＝[pk,vk,qk,abk,ωbk,mbk,gk] (1)
其中的pk,vk,qk,abk,ωbk,mbk,gk分别代表k时刻的位置、速度、姿态、加速度偏置、角速度偏置、磁力计偏置、重力加速度。智能体的运动通常用离散时间运动模型来描述，并假定为一阶马尔可夫过程。其误差状态卡尔曼滤波具体算法实现如下：
集群内各智能体节点以上一时刻标称状态为基准，以航位推算获得标称状态估计值，过程如下：
Xk＝f(Xk-1)+μk-1 (2)
其误差状态预测方程如下：
δXk←F·δXk+Fi·i (3)
Figure SMS_1
当前时刻的智能体节点可以通过相邻节点之间的数据链进行实时通信，获得各智能体节点之间的相对距离信息，观测方程可写成：
y＝H·Xt+v＝H·(X+δX)+v (5)
当有观测数据到来时，将智能体节点航位推算估计值与相对距离测距信息相融合，误差状态卡尔曼滤波进行更新过程：
K＝PHT(HPHT+V)-1 (6)
δX←δX+K(y-H·Xk) (7)
P←(I-KH)P(I-KH)T+KVKT (8)
将观测误差注入标称状态，修正智能体节点在当前时刻的状态估计：
Figure SMS_2
误差状态复位：
δXk←0 (10)
P←P (11)
通过以上ESKF迭代过程可以实现对智能体精确地自定位效果。
第2步，在完成了智能体集群的自定位之后，多智能体网络通过激光测距机获取智能体与目标之间的距离参数，由GPS获得智能体的坐标参数(经度、纬度和高度)，雷达提供目标相对于智能体的方位角和高低角参数，根据提供的这些参数可以实时解算目标相对于地心坐标系的大地坐标参数(经度、纬度)。
设多智能体***包括三个飞行器，两个单兵组成的集群和一个非合作目标。定义坐标系Oxyz：以智能体出发点作为原点O，正东方向为x轴，正北方向为y轴，竖直向上为z轴。假定每个智能体都能准确感知三轴方向，且集群智能体和非合作目标的距离尺度内可忽略智能体与非合作目标在竖直方向上的差异。
设第i个智能体相对于非合作目标的坐标位置为(xi,yi,zi),相对非合作目标的高低角为θi、方位角为
Figure SMS_3
(i＝1,2,…,n)；各智能体与目标的相对距离为di,(i＝1,2,…,n)。其几何关系示意图如图3所示。
各智能体用测角传感器测量相对非合作目标的高低角和方位角，通过测距传感器获取相对非合作目标的距离，测量方程如下：
Figure SMS_4
Figure SMS_5
Figure SMS_6
其中，
Figure SMS_7
和/>
Figure SMS_8
分别表示第i个智能体测量的非合作目标的高低角和方位角；/>
Figure SMS_9
表示第i个智能体和非合作目标的相对距离测量值。假设各测量误差均为零均值高斯白噪声，且任意两者不相关。
则根据几何关系，有：
Figure SMS_10
Figure SMS_11
Figure SMS_12
上式中，
Figure SMS_13
为智能体测得非合作目标与自身的相对距离。
第3步，在获得非合作目标与***中智能体自身的相对位置测量值之后，就可以根据智能体自身的位姿进行目标位置解算，获取目标在世界坐标系下的位置。
设第i个智能体自身的姿态旋转矩阵为Ri，与原点的三轴相对位置为Ti，目标测距噪声为Ni，它对非合作目标相对原点的解算坐标为
Figure SMS_14
n为有效智能体个数。则根据几何关系，有：
Figure SMS_15
将多智能体网络中有效智能体的协同定位解算结果进行信息融合，可得：
Figure SMS_16
在解算过程中，即使多智能体***中的无人机或者单兵受到干扰而失效，只要有至少一个智能体保持对目标的有效观测，就可以根据解算方程得到准确的解算坐标，当环境干扰减弱，恢复观测的智能体可以重新加入智能体网络进行协同定位信息融合，得到更为精确的目标坐标。解算得到非合作目标的绝对坐标后，智能体网络将非合作目标的坐标由通信链路传输给导弹，使导弹能够时刻根据目标的坐标观测数据而调整自身的状态，从而达到精确制导的目的。
第4步，导弹通过多智能体对目标的协同定位解算来实现精确制导，并给出本发明方法的应用成果。五个智能体的初始位置坐标为单兵1：(0m,0m,0m)单兵2：(0m,0m,0m)无人机1：(0m,0m,100m)无人机2：(0m,0m,100m)无人机3：(0m,0m,100m)。非合作目标为(10m,10m,0m)。智能体集群分别以不同的速度绕非合作目标盘旋，设智能体的GPS位置测量误差标准差为10m，频率为10Hz，方位角和高低角测量误差标准差为0.01°，测距误差标准差分别为为1m，5m，10m，20m，5m。
对智能体集群从初始位置出发并对目标协同定位开始仿真。仿真时间为500s，采样周期为0.01s。将本发明提出的多智能体协同定位效果与部分智能体自定位、观测失效情况下协同定位效果进行比对。
仿真真实轨迹与ESKF滤波后轨迹对比图如图4所示。智能体自定位(以单兵1为例)的位置、速度及姿态误差以及多智能体协同定位计算得到的目标位置定位误差曲线如图5所示，可以看到，多智能体在GPS信号与目标测距模块正常的情况下可以实现良好的自定位与目标定位效果。
当智能体网络中大部分智能体都受到环境干扰而在100s～150s与300s～350s内失去GPS信号时，以单兵1正常自定位，无人机1正常自定位，单兵2与无人机2正常自定位为例，这三种情况下的目标定位误差如图6、7、8所示。当智能体网络在100s～150s与300s～350s集体失效的情况下，只要有一个智能体自定位正常就可以满足目标定位的精度需求。当失效智能体重新加入智能体网络后，目标观测的误差迅速降低，满足对目标定位的高精度要求。
在多智能体网络中大部分智能体的观测模块受到干扰而全程失去对目标的观测时，以单兵1正常观测、无人机1正常观测以及单兵2、无人机2正常观测这三种工况为例，目标定位误差如图9、10、11所示。当智能体网络因干扰导致部分智能体观测失效的情况下，对目标的定位误差增大，但误差仍在可控范围内，依然满足一定的制导精度要求。
现代战争中目标定位的准确程度决定了导弹打击的精确度，而多智能体因子图架构可以保证在受到一定程度的环境干扰下仍能保持良好的定位效果。本发明提出了多智能体对动目标协同定位方法，仿真结果表明定位精度和传感器精度、接受信号频率、抗干扰能力等密切相关。同一时刻只要有一个智能体能够传输对目标的有效观测信息，就可以保证导弹满足高制导精度的实际应用需求。

Claims (4)

1.基于误差状态卡尔曼滤波的多智能体近距离作战动目标协同定位方法，其特征在于：包括智能体集群的自定位模块、智能体集群对目标定位模块、协同定位信息融合模块三部分。
2.对于权利要求1所述的智能体集群的自定位模块，其特征在于：
通过误差状态卡尔曼滤波算法，集群内各智能体节点以上一时刻标称状态为基准，以航位推算获得标称状态估计值；通过相邻节点之间的数据链进行实时通信获得各智能体节点之间的相对距离信息；将智能体节点航位推算估计值与相对距离测距信息相融合，修正智能体节点在当前时刻的状态估计，并将误差状态复位，可实现对智能体精确的自定位效果。
3.对于权利要求1所述的智能体集群对目标定位模块，其特征在于：
多智能体网络通过激光测距机获取智能体与目标之间的距离参数，由GPS获得智能体的坐标参数(经度、纬度和高度)，雷达提供目标相对于智能体的方位角和高低角参数，根据提供的这些参数可以实时解算目标相对于地心坐标系的大地坐标参数(经度、纬度)。
4.根据权利要求1所述的协同定位信息融合模块，其特征在于：
在获得非合作目标与***中智能体自身的相对位置测量值之后，就可以根据智能体自身的位姿进行目标位置解算，获取目标在世界坐标系下的位置；在解算过程中，即使多智能体***中的无人机或者单兵受到干扰而失效，只要有至少一个智能体保持对目标的有效观测，就可以根据解算方程得到准确的解算坐标，当环境干扰减弱，恢复观测的智能体可以重新加入智能体网络进行协同定位信息融合，得到更为精确的目标坐标；解算得到非合作目标的绝对坐标后，智能体网络将非合作目标的坐标由通信链路传输给导弹，使导弹能够时刻根据目标的坐标观测数据而调整自身的状态，实现精确制导。
CN202310218851.2A 2023-03-09 2023-03-09 多智能体近距离作战动目标协同定位方法 Pending CN116257818A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310218851.2A CN116257818A (zh) 2023-03-09 2023-03-09 多智能体近距离作战动目标协同定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310218851.2A CN116257818A (zh) 2023-03-09 2023-03-09 多智能体近距离作战动目标协同定位方法

Publications (1)

Publication Number Publication Date
CN116257818A true CN116257818A (zh) 2023-06-13

Family

ID=86686057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310218851.2A Pending CN116257818A (zh) 2023-03-09 2023-03-09 多智能体近距离作战动目标协同定位方法

Country Status (1)

Country Link
CN (1) CN116257818A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118102225A (zh) * 2024-04-23 2024-05-28 四川腾盾科技有限公司 基于分布式相对定位的无人机集群导航与拓扑控制方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118102225A (zh) * 2024-04-23 2024-05-28 四川腾盾科技有限公司 基于分布式相对定位的无人机集群导航与拓扑控制方法

Similar Documents

Publication Publication Date Title
You et al. Data fusion of UWB and IMU based on unscented Kalman filter for indoor localization of quadrotor UAV
CN112197761B (zh) 一种高精度多旋翼机协同定位方法及***
Wang et al. A GNSS/INS integrated navigation algorithm based on Kalman filter
CN101832738A (zh) 一种远程空空导弹多平台协同制导***及其实现方法
CN108827295A (zh) 基于无线传感器网络和惯性导航的微型无人机自定位方法
CN108896957A (zh) 一种无人机操控信号源的定位***及方法
GB2479437A (en) Remote target coordinates calculated from aircraft position, inertial and laser targeting system data
CN116257818A (zh) 多智能体近距离作战动目标协同定位方法
CN111121770B (zh) 一种交互式多弹多模型航迹融合方法
Meichen et al. Dynamic obstacle detection based on multi-sensor information fusion
CN116382330A (zh) 一种目标驱动下的集群无人机协同导航方法
CN111857176A (zh) 一种gps无人机控制方法
CN109917373B (zh) 运动补偿搜索的动平台雷达的动态规划检测前跟踪方法
Krauss et al. Unscented kalman filtering on manifolds for auv navigation-experimental results
Zhao et al. Cooperative localization based on robust GPS and Radar fusion for multiple aerial vehicles
Kauffman et al. Simulation study of UWB-OFDM SAR for navigation with INS integration
CN115479605A (zh) 基于空间目标定向观测的高空长航时无人机自主导航方法
Song An integrated GPS/vision UAV navigation system based on Kalman filter
Deneault et al. Tracking ground targets with measurements obtained from a single monocular camera mounted on an unmanned aerial vehicle
Wang et al. AOA Positioning and Path Optimization of UAV Swarm Based on A-Optimality
Bian et al. Integrated Navigation
CN116774216A (zh) 一种基于被动雷达测角的飞行器集群协同目标定位快速联合优化方法
CN114924240B (zh) 一种基于地心地固坐标系的多平台多传感器空间配准方法
CN114526735B (zh) 一种无人飞行器集群仅测距初始相对位姿确定方法
Bei et al. Application and development trend of unmanned aerial vehicle navigation technology

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination